基于高速攝影傳感器的氣液兩相流型分層模糊識別*

常佃康,薛 婷,張旖婷

(1.天津大學 電氣與自動化工程學院,天津 300072；2.天津市過程控制檢測與控制重點實驗室,天津 300072)

?

基于高速攝影傳感器的氣液兩相流型分層模糊識別*

常佃康1,2,薛 婷1,2,張旖婷1,2

(1.天津大學 電氣與自動化工程學院,天津 300072；2.天津市過程控制檢測與控制重點實驗室,天津 300072)

氣液兩相流流型的客觀和智能識別對兩相流其它參數測量具有重要意義。用高速攝像機作為檢測傳感器,獲取內徑為50 mm的絕熱垂直管段內氣液兩相流流型圖像,提取流型灰度圖像的均值、標準差及二值圖像的最大物體面積、寬度和高度五個特征向量,采用分層模糊推理方法實現泡狀流、塊狀流、塞狀流和乳沫狀流的流型識別。對于131幅實驗圖像,該方法的識別正確率平均達到93.13 %。

氣液兩相流； 流型識別； 圖像特征； 模糊推理

0 引 言

在氣液兩相流中,流型多種多樣,兩相流系統其它流動參數的準確測量往往依賴于對流型的研究。因此,流型的客觀和智能識別[1]一直是兩相流參數研究的重要課題。本文利用高速攝像機拍攝透明管段流體的流動狀態,通過兩相流體動態圖像信息進行泡體、分相濃度及流型特征研究達到流型識別的目的。較之傳統的流型識別方法,高速攝影法[2～4]可以實現流型的非接觸、全場測量,并且可以直接獲得流動圖像的分布狀態作為流型識別的參考標準圖,因此在兩相流型識別以及參數檢測中得到很大應用。

施麗蓮等人[5]基于高速攝影采集的流體圖像,采用圖像處理技術將直線檢測、氣泡的面積、高度坐標與模糊推理相結合,對絕熱水平管內分層流、霧環狀流、泡狀流、塞狀流和彈狀流流型進行區分。該方法簡單,但所提取的特征向量僅關注流體的幾何參數,識別正確率有待提高。現階段,學者多將幾種識別方法相結合,以達到更好的識別效果,如Wang L等人[6]研制新型C4D傳感器獲取更好的電導信號,將小波分析與支持向量機相結合達到平均91 %的識別正確率；定量研究了氣液兩相流中段塞流的動力學特征；Dong F等人[7]基于LZ復雜性,譜熵和近似熵提取復雜性參數識別動態流型；Saisorn S等人[8]依據流型圖等分析了微型水平管道內不同液體和氣體條件下流型轉換的特征；周云龍等人[9]結合灰度圖像直方圖統計特征和Elman神經網絡識別氣液兩相流流型。

本文首先提取反映圖像整體紋理特征的灰度圖像均值、標準差,結合最大獨立物體面積,將圖像氣相面積最大和最小的乳沫狀流和泡狀流區分出來,再用反映局部幾何特征的二值圖像最大物體寬度和高度兩個參數,結合Mamdani模糊推理區分塊狀流和塞狀流,該方法簡單有效,識別率高。

1 流型結構特征提取

本文用高速攝像機采集絕熱垂直管段內流型圖像,對灰度圖像進行差影、中值濾波、閾值分割后得到二值圖像。圖1是高速攝像機采集的泡狀流、塊狀流、塞狀流以及乳沫狀流不同流型,二值化后并反色處理的圖像結果。

圖1 氣液兩相流二值化圖像Fig 1 Binary images of gas-liquid two-phase flow

提取灰度直方圖的均值和標準差和不同流型最大物體面積、寬和高等幾何特征為特征參數。對二值圖像從上到下,自左向右掃描,選擇四連通區域標記二值圖像中的連接成分,返回矩陣中像素標記為0的表示背景；像素標記為1的構成第一個目標；像素標記為2的構成第二個目標；以此類推。計算圖像中物體面積S,基于最大像素數對應的像素點區域構建圖像中最大獨立物體,提取最大物體面積特征參數,并對取得的最大物體做最小外接矩形,提取其有效寬度和高度。

2 基于分層模糊推理的流型識別

采用分層模糊推理識別方法,將特征參數分為兩類,分別與不同的模糊推理函數模型相結合,分步達到流型識別目的:首先將塊狀流和塞狀流視為塊/塞狀流,通過均值、標準差和最大物體面積三個特征參數與模糊推理相結合,將所有獲取的流型圖片分類為泡狀流、塊/塞狀流、乳沫狀流三種；然后根據最小外接矩形得到的最大物體的寬度和高度兩個參數,運用模糊推理識別塊狀流和塞狀流。

本文采用Mamdani型模糊推理,運用極小運算規則定義模糊關系,并基于如下規則構造模糊推理系統。

2.1 泡狀流、塊/塞狀流與乳沫狀流識別

1)輸入、輸出語言模糊化

定義F(u)模糊集合,設A1,A2,A3∈F(u),為3個標準模式,分別表示泡狀流、塊狀流/塞狀流和乳沫狀流。輸入為均值、標準差及最大面積特征向量；輸出為泡狀流、塊狀流/塞狀流,乳沫狀流三種流型。

對于各輸出流型采用梯形隸屬度函數

(1)

式中 a,b,c,d為預先設定的閾值。

均值隸屬度函數如圖2所示,輸出各流型隸屬度函數如圖3所示。

圖2 均值隸屬度函數Fig 2 Mean membership functions

圖3 輸出隸屬度函數Fig 3 Output membership function

2)模糊規則與模糊推理

分析實驗數據得出以下模糊推理規則:若均值為小,標準差為小,最大面積為小,則為泡狀流(0.8)；若均值為中,標準差為中,最大面積為小,則為泡狀流(0.2)；若均值為中,標準差為中,最大面積為中,則為塊狀流/塞狀流(0.6)；若均值為小,標準差為中,最大面積為中,則為塊狀流/塞狀流(0.4)；若均值為大,標準差為大,最大面積為大,則為乳沫狀狀流(1)。

其中模糊規則后對應的數字定義為其權重。

本文模糊算子采用模糊交(min)進行輸入模糊集合的合成運算,即對于每一條規則用and連接所有輸入集合并取最小值作為結果,由極小運算規則定義模糊蘊含表達的模糊關系。

3)輸出模糊合成與去模糊化

本文第一步模糊推理采用最大值法max將五條規則結果組合成輸出變量的一個模糊集合。去模糊化的輸入是模糊集合,輸出為數值。本文采用面積中心法進行去模糊化,即計算隸屬度函數曲線包圍區域的重心。對于連續論域的情形,設U 是某一變量u 在論域U上的模糊集合,則去模糊化的結果為

(2)

4)輸出結果分析

通過對131幅圖像進行分析統計得出流型判別規則及隸屬度函數。該方法可以有效識別垂直管中的氣泡流、塊狀流/塞狀流和乳沫狀流。圖4為乳沫狀流的識別結果。

圖中對應的1～5分別是模糊規則中定義的5條規則,并對應不同的權重。對于某一流型輸入的均值、標準差和最大面積特征向量分別應用到5條規則中,每一條規則采用and連接三個輸入集合,即取得的三個輸入對應的模糊化后的隸屬度,經過模糊集合合成運算得到最小隸屬度,并加權對應規則權重對該規則模糊輸出做截集,即為該輸入條件下該條規則的輸出。將5條規則的輸出結果利用最大值法合成,并采用面積中心法去模糊化,以求得該輸入對應的流型,即圖中紅線所對應的流型區域。

圖4 辨識結果Fig 4 Identification result

基于該方法對不同流型識別,泡狀流識別正確率達92.68 %；乳沫狀流識別正確率達95.12 %；后續根據最大物體寬、高幾何特征,對塊狀流和塞狀流進一步實現模糊識別。

2.2 塊狀流與塞狀流識別

基于最大物體寬、高特征的模糊識別方法,提高這兩種流型的識別率。流型辨識方法與上述泡狀流、塊/塞狀流與乳沫狀流模糊識別相同,定義模糊規如下:

1)若寬度值為大,高度值為小,則為塊狀流(0.7)；

2)若寬度值為大,高度值為大,則為塊狀流(0.3)；

3)若寬度值為小,高度值為大,則為塞狀流(1)。

采用該方法進一步進行流型識別,對于塊狀流圖像識別正確率達93.75 %；塞狀流圖像識別正確率達88.24 %。

3 結 論

本文應用高速攝影法攝取絕熱垂直管段內氣液兩相流流型圖像,基于氣液兩相流圖像提取流型圖像灰度圖像均值、標準差及二值圖像的最大物體面積、寬度和高度特征向量,采用分層模糊推理方法,有效實現了泡狀流、塊狀流、塞狀流和乳沫狀流的流型識別,該方法簡便易行,識別正確率高。

[1] Liang Q,Zhou H L,Zhang H J,et al.Fluctuation coefficient of gas-liquid two-phase flow and its application in flow pattern identification[J].Journal of Zhejiang University:Engineering Science,2007,41(11):1810-1815.

[2] 薛 婷,黃 劍,曲立群,等.基于平面靶的多氣泡虛擬三維測量系統標定[J].天津大學學報:自然科學與工程技術版,2014,47(5):441-445.

[3] Lindeboom R,Smith G,Jesion D,et al.Application of high speed imaging as a novel tool to study particle dynamics in tubular membrane systems[J].Journal of Membrane Science,2011,368(1-2):95-99.

[4] Xue T,Qu L Q,Wu B.Matching and 3D reconstruction of multibubbles based on virtual stereo vision[J].IEEE Transactions on Instrumentation and Measurement,2014,63(6):1639-1647.

[5] 施麗蓮,蔡晉輝,周澤魁.基于圖像處理的氣液兩相流流型識別[J].浙江大學學報:工學版,2005,39(8):1128-1131.

[6] Wang L,Huang Z Y,Wang B L,et al.Flow pattern identification of gas-liquid two-phase flow based on capacitively coupled contactless conductivity detection[J].IEEE Transactions on Instrumentation and Measurement,2012,61(5):1466-1475.

[7] Dong F,Fang L D,Li H L,et al.Characterization of gas-liquid two-phase flow pattern based on complexity measures analysis[C]∥Proceedings of 2012 International Conference on Machine Learning and Cybernetics,ICMLC 2012,Piscataway,NJ,USA:IEEE,2012:996-1000.

[8] Saisorn S,Wongwises S.Flow pattern,void fraction and pressure drop of two-phase air-water flow in a horizontal circular micro-channel[J].Experimental Thermal and Fluid Science,2008,32(3):748-760.

[9] 周云龍,陳 飛,劉 川.基于圖像處理和Elman神經網絡的氣液兩相流流型識別[J].中國電機工程學報,2007,27(29):108-112.

Gas-liquid two-phase flow pattern hierarchical fuzzy identification based on high-speed photography sensor*

CHANG Dian-kang1,2,XUE Ting1,2,ZHANG Yi-ting1,2

(1.School of Electrical Engineering and Automation,Tianjin University,Tianjin 300072,China;2.Tianjin Key Laboratory of Process Measurement and Control,Tianjin University, Tianjin 300072,China)

Objective and intelligent identification of gas-liquid two phase flow pattern have important meaning for other parameters measurement.High-speed camera is used as detecting sensor to capture two-phase flow patterns image in adiabatic vertical section whose inner diameter is 50mm,extract five eigenvectors of mean and standard deviation of gray image，and area,width,height of the max object of binary image;use hierarchical fuzzy reasoning method to identify bubble flow,slug flow,plug flow and churn flow patterns.For 131 experimental images,the average identification accuracy of this method is 93.13 %.

gas-liquid two phase flow； flow pattern identification； image characteristics； fuzzy reasoning

10.13873/J.1000—9787(2016)11—0058—03

2016—01—04

天津市自然科學基金資助項目(12JCQNJC02200)

TN 247

A

1000—9787(2016)11—0058—03

常佃康(1990-),男,山東鄒城人,碩士,現主要從事多相流檢測等方面的研究。